用于图像分类的两级分层特征学习

在某些图像分类任务中,不同类别之间的相似性是不同的,并且样本通常被误分类为高度相似的类别。 为了区分高度相似的类别,需要更具体的功能,以便分类器可以提高分类性能。 在本文中,我们提出了一种基于深度卷积神经网络(CNN)的新颖的两级分层特征学习框架,该框架简单有效。 首先,使用转移学习方法训练不同级别的深度特征提取器,该方法将预训练的深度CNN模型朝新的目标数据集进行微调。 其次,将从所有类别中提取的一般特征和从高度相似的类别中提取的特定特征融合到特征向量中。 然后将最终的特征表示输入线性分类器。 最后,使用Caltech-256,Oxford Flower-102和塔斯马尼亚珊瑚点数(CPC)